- •Глава 1
- •Глава 1. Политический анализ и прогнозирование: предметное поле
- •Глава 2
- •Глава 3
- •Глава 4
- •1 См.: Мангейм, Дж, Рич, р. Политология : методы исследования. С. 422.
- •Литература
- •Глава 5
- •Глава 5. Методы анализа документов
- •Глава 6
- •Глава 7
- •Глава 8
- •Глава 9
- •Глава 10
- •Глава 10. Сценарные методы политического прогнозирования
- •1 См.: Ремес, с. Альтернативные сценарии развития ссср в будущем. Турку, 1991.
- •Вопрос 1. Какова, по вашему мнению, вероятность того, что фракция n наберет достаточное количество подписей депутатов гДдля постановки вопроса о вотуме недоверия правительству?
- •Вопрос 3. Какова, по вашему мнению, вероятность того, что в случае вынесения Государственной думой вотума недоверия правительству президент примет решение о роспуске нижней палаты парламента?
- •Глава 10. Сценарные методы политического прогнозирования
- •Глава 10. Сценарные методы политического прогнозирования
- •I (событие-триггер)
- •Глава 10. Сценарные методы политического прогнозирования
- •Глава 9. Искусственные нейронные сети 266
- •Глава 10. Сценарные методы политического
Глава 9
Искусственные нейронные сети
Искусственные нейронные сети (ИНС) — один из наиболее современных методов научного исследования, обладающий рядом совершенно уникальных черт. Бурное развитие нейросетевого подхода начинается лишь в 1980-х гг., хотя математические его основы были заложены значительно раньше: отправными точками можно назвать работы У. Мак-каллока и У. Питтса (1943) по математическому моделированию работы нейрона и книгу американского математика Ф. Розенблатта «Принципы нейродинамики», увидевшую свет в 1962 г.
Прикладные нейросетевые разработки в области политической науки появляются лишь в 1990-х гг. Судя по открытой печати, в настоящее время с политикой связано не более 5% нейросетевых программных продуктов, тогда как доля программ нейросетевого анализа военно-технических и финансовых проблем превышает 60%, медицинских — 10%. Таким образом, сегодня мы можем говорить лишь о первых шагах на пути адаптации богатого арсенала нейронных сетей к решению задач политического прогнозирования и анализа.
Нейросетевые техники основаны на практическом применении некоторых концепций работы человеческого мышления. Несмотря на то что мозг человека значительно отстает от электронных вычислительных машин по способности производить символьные вычисления, многие задачи мы умеем решать гораздо эффективнее самых современных компьютеров. Например, мы можем очень быстро и точно узнать человека в толпе по едва промелькнувшим чертам его лица или даже по особенностям походки. Мы можем формулировать вероятно-
1 МсСи11осЬ, РЙ(8, \У. А Ьодюа! Са1си1из оГ Гдеаз Гтттеп( т Мегуоиз Ас(1уКу. Ви11е(т оГ Ма(Ьета(1са1
стные суждения относительно ситуаций, с которыми ранее не сталкивались, на основе предшествующего опыта. И, что самое главное, мы способны учиться — приобретать и совершенствовать навыки восприятия и преобразования внешней информации. Именно уникальная способность человека к обучению стала наиболее серьезным стимулом создания математических и программных аналогов работы мозга. Разумеется, на сегодняшний день еще рано говорить об «искусственном интеллекте», сопоставимом с познавательными возможностями человека; самая современная нейронная сеть устроена во множество раз проще, чем любой отдельный участок коры головного мозга. Тем не менее сам принцип использования биологических сетей в качестве прообраза искусственной интеллектуальной системы уже доказал свою плодотворность.
9.1. Биологические и искусственные нейронные сети
Кора головного мозга состоит из огромного множества простых элементов — нейронов, число которых приблизительно равняется 10 — количеству звезд Млечного Пути. Каждый нейрон связан с несколькими тысячами других нейронов с помощью нервных волокон, через которые передаются электрические импульсы. Таким образом, мозг человека содержит приблизительно 10 взаимосвязей. Чрезвычайно сложная структура связей между относительно простыми элементами как раз и является одним из важнейших «ноу-хау» человеческого мышления.
Каждый нейрон имеет отростки нервных волокон двух типов: денд-риты, по которым в клетку поступают входящие электрические сигналы, и единственный аксон, передающий исходящий сигнал другим нейронам. Аксон связан с дендритами других нейронов через специальные образования — синапсы, которые способны увеличивать или уменьшать силу передаваемого импульса. Схематично это изображено на рисунке :
Входящие импульсы от аксонов других нейронов проходят через синапсы на дендриты, изменяя свою силу, и поступают в тело нейрона. Если суммарный сигнал превышает некоторый критический порог, «заложенный» в теле нейрона, оно активируется и передает исходящий импульс по аксону к следующим нейронам. Принципиально важно, что «пропускная способность» синапсов — способность усиливать или ослаблять сигнал — может меняться со временем, что меняет и поведение нейрона в целом. Именно «настройка» пропускной способности синапсов является основным механизмом обучения в человеческом мозге.
Указанный механизм можно представить в формализованном виде, перевести на язык математики. Обозначим входящие импульсы, поступающие от аксонов других нейронов, символами х1 х2, х3... хп. Синапсы в таком случае будут играть роль весовых коэффициентов V/1 V/2, V/3 ... V". Проходя через синапсы, входящие сигналы изменяют свою силу и образуют суммарный сигнал х = к1х1 +ц>2х2+ ц>3х3 +... + ц>пхп.
Теперь нейрону следует «решить», превышает ли суммарный входящий сигнал определенное пороговое значение. Математически это можно представить как преобразование входящего сигнала в соответствии с определенной функцией/(х). Сила исходящего сигнала у =/(х) =
Отдельные искусственные (формальные) нейроны объединяются в искусственную нейронную сеть. Сигнал, получаемый на выходе сети (иногда его называют «ответом сети»), будет определяться не только весами и функциями входящих в нее нейронов, но и тем, как нейроны связаны между собой. Структура связей между нейронами называется архитектурой сети.
Существует два основных класса нейросетевых архитектур: 1. Слоистые сети (сети прямого распространения). Как следует из названия данной архитектуры, нейроны в ней расположены в несколько слоев. Нейроны первого слоя получают входные сигналы, преобразуют их и передают нейронам второго слоя. Далее срабатывает второй слой и так далее до последнего слоя к, который выдает окончательный «ответ сети» для пользователя. Как правило, каждый нейрон слоя I (предыдущего) соединен с каждым нейроном слоя 1 + 1 (следующего). Число нейронов в каждом слое индивидуально и никак заранее не связано с числом нейронов в других слоях. Наиболее распространены трехслойные сети, состоящие из входного, скрытого и
выходного слоев. Принципиальная схема такой сетевой архитектуры 1
показана на рисунке .
2. Сети полной связи. В такой сетевой архитектуре все нейроны связаны между собой: каждый из них передает исходящий сигнал всем нейронам сети, включая самого себя. Ответом сети являются исходящие сигналы нескольких или всех нейронов после нескольких тактов функционирования сети.
При практической работе с нейронными сетями на персональном компьютере нет необходимости строить сеть «с нуля». В специальных программах уже имеется стандартный набор архитектур, соответствующих разным типам задач. Обычно бывает достаточно выбрать стандартную архитектуру и скорректировать ее (как правило, путем удаления лишнего) в соответствии с решаемой задачей.
Как уже говорилось, в основу концепции нейронных сетей положен постулат, что вся сложность мозга определяется связями между нейронами, которые можно моделировать с помощью простых автоматов. Известно, что количество информации, передаваемой между нейронами, является очень незначительным (несколько бит), а скорость передачи сигнала в миллионы раз ниже, чем в современных электронных процессорах. Поэтому: 1) мозг решает задачу не путем последовательной серии взаимодействий, а запуская несколько параллельных программ; 2) основная информация не передается непосредственно, а захватывается и распределяется в связях между нейро-
Аналитические технологии для прогнозирования и анализа данных ный учебник // \у\у\у.пеигорго)ес(.ги/(и(опа1.рЬр.
электрон-
См.: \у\у\у.5(а(иоГ(/ги.
нами. С некоторым преувеличением можно сказать, что в нейросете-вом подходе реализован принцип «структура связей — всё, свойства элементов — ничто».
Именно это свойство позволило реализовать на практике способность машины к обучению на примерах. Уникальность нейронных сетей состоит в том, что они решают различные задачи в соответствии не с изначально заложенными в них программными алгоритмами, а с алгоритмами, которые вырабатывают они сами, обучаясь на множестве примеров.
Различия между «классической» электронно-вычислительной машиной (машиной фон Неймана) и биологическими нейронными сетями, принципы организации которых были взяты на вооружение ИНС, систематизируются в следующей таблице :
|
ЭВМ |
Биологическая нейронная система |
Процессор |
Сложный |
Простой |
Высокоскоростной |
Низкоскоростной |
|
Один или несколько (малое количество) |
Большое количество |
|
Память |
Отделена от процессора |
Интегрирована в процессор |
|
Локализованная |
Распределенная |
Вычисления |
Централизованные |
Распределенные |
|
Последовательные |
Параллельные |
|
Хранимые программы |
Самообучение |
Специализация |
Численные и символьные операции ~| |
ГТроблемы восприятия |
9.2. Обучение сети
Представим себе, что нам требуется получить нейронную сеть, способную распознавать рукописные изображения цифр от 0 до 9. Информация будет вводиться в сеть посредством сканирования рукописного текста с разрешением 20x20 пикселей. Таким образом, мы имеем сеть с 400 входами (20x20) и 10 выходами (по количеству чисел от нуля до девяти). Наша цель заключается в том, чтобы при вводе в сеть изображения цифры 0 активизировался выход сети, соответствующий
1 Полную версию таблицы см.: АпИ, К. 7., Лапскапд, М., МокшдсИп, К М АгШ1с1а1 Меига1 Ме1»огк8; А Тигопа! // Сотригег. Уо1. 29. № 3 (МагсП 1996).
цифре 0, при вводе изображения цифры 1 — выход, соответствующий цифре 1, и т.д. Изначально нейронная сеть не обладает никакими навыками различения чисел; ее, как маленького ребенка, требуется обучить этому искусству «с нуля».
Самым распространенным приемом обучения сети является обучение «с учителем». В данном случае имеется правильный ответ на каждый входной пример. Всякий раз происходит подстройка весовых коэффициентов сети таким образом, чтобы ее ответы были максимально близки к известным правильным ответам. Такая процедура похожа на реальный процесс обучения — ребенку показывают цифру 1 и спрашивают: «Какая это цифра?» В случае неверного ответа ребенку сообщается тот ответ, который от него ожидается. В мозге и нервной системе происходит усиление соответствующих связей («настройка сети»), и шансы на получение правильного ответа в следующий раз увеличиваются.
Разумеется, для искусственной нейронной сети недостаточно просто указать правильность или неправильность ответа. В реальности имеет место более сложная процедура, первым этапом которой является вычисление ошибок сети. В нашем примере с распознаванием цифр ожидаемым (правильным) ответом сети является максимальный по интенсивности сигнал на одном из десяти выходов, соответствующих запрашиваемой цифре, и минимальный сигнал на всех остальных. Ошибкой является разница между ожидаемым и реальным ответом сети, т.е. разность между ожидаемой и реальной интенсивностью сигнала на всех выходах. На основе этих данных вычисляется специальная функция ошибок. Далее с помощью особого набора формул, получившего название алгоритма обратного распространения ошибки, программа вычисляет требуемые поправки для весов сети, исходя из функции ошибки. Интегральным показателем качества обучения сети является общая ошибка — сумма квадратов ошибок по всем выходам, которая уменьшается по мере увеличения продолжительности «тренировок».
Существует также алгоритм обучения «без учителя», который не требует наличия правильных ответов для каждого обучающего примера. В этом случае раскрывается внутренняя структура данных или корреляции между примерами в системе данных, что позволяет распределить примеры по категориям.
Наконец, в некоторых случаях используется смешанный алгоритм обучения — часть весов настраивается путем использования алгоритма («с учителем»), часть — посредством самообучения сети.
Однако во всех случаях имеет место обучение сети на фиксированном наборе примеров, получившем название обучающей выборки. Обьем и состав обучающей выборки имеет принципиальное значение. Нельзя забывать о том, что конечная задача сети — распознать не только рукописные цифры 0, 1, 2, 3... 9 (в нашем примере), имеющиеся в обучающей базе, а любые рукописные цифры. В этом, собственно, и заключается основное достоинство нейронных сетей. Таким образом, если мы тренируем сеть только на двух или трех изображениях одной цифры, вряд ли следует ожидать от нее адекватного распознавания чисел вне обучающей выборки. Чем больше примеров содержится в обучающей выборке, тем лучше будет качество конструируемой сети.
Кроме количества примеров в обучающей выборке, следует удалять внимание и их качеству. С одной стороны, примеры в совокупности должны полноценно отвечать задачам, для которых сеть строится. Если сеть создается, к примеру, для прогнозирования политических кризисов, а в обучающей базе данные по кризисам представлены в малом объеме или не представлены вообще, сеть окажется бесполезной. С другой стороны, сеть учится тому, чему легче всего научиться. Важно следить за тем, чтобы в обучающей выборке не было систематических ошибок — входных данных, не отражающих реальных свойств объектов. Например, если все цифры 8 в базе примеров будут написаны светлым фломастером, а все цифры 9 — черным, то сеть может посчитать интенсивность цвета цифры существенным признаком распознавания и не будет нормально выполнять свои задачи вне обучающей выборки.
Следует сделать акцент еще на одном важном моменте: сеть может продолжать учиться и после того, как собственно процедура обучения завершена. Иными словами, нейронные сети способны накапливать опыт в процессе работы над решением реальных задач, для которых они сконструированы.
9.3. Задачи, решаемые ИНС
Решаемые нейронными сетями задачи весьма разнообразны. Неудивительно, что этот метод нашел применение в таких сферах, как медицина, финансовый менеджмент и политическая наука. В целом можно свести основную часть решаемых с помощью ИНС проблем к нескольким категориям задач.
• Классификация. Задачей нейронной сети является распределение объектов по нескольким заранее установленным непересекающимся классам. Рассмотренный нами пример с распознаванием рукописных цифр относится именно к этой категории задач: ИНС устанавливает соответствие объекта одному из десяти классов (цифры от 0 до 9). Известны компьютерные программы ИНС, выполняющие функции распознавания текста, речи, отнесения предприятия к классу «перспективных» или «убыточных», классификации клеток крови и сигналов электрокардиограммы, установления подлинности подписи и многие другие.
В политической науке нейросетевой метод используется для решения задач классификации, в частности в ивент-анализе. Заранее определяется класс конфликтных событийных последовательностей, ведущих к мирному урегулированию, и класс конфликтных событийных последовательностей, ведущих к военному противостоянию. Сеть обучается на базе реальных исторических примеров конфликтного взаимодействия государств, приведшего к одному или другому исходу. Получив на «входе» определенную последовательность событий, соответствующим образом закодированных, обученная сеть должна определить принадлежность данной событийной цепочки к «мирному» или «военному» классу. В том случае, если анализируется еще не завершенная цепочка событий, мы имеем характерный пример использования нейронных сетей для решения задач прогнозирования.
Другой пример использования нейронной сети для классификации объектов можно почерпнуть из сферы оценки политических рисков — угроз для инвесторов и бизнесменов, проистекающих из действий политических акторов. В данном случае сеть распределяет страны и регионы по нескольким категориям политического риска (например: высокий, низкий, средний).
Из тех статистических методов, которые мы изучали ранее, задачи классификации наиболее близки к дискриминантному анализу, который также определяет принадлежность объекта к одной из заранее заданных групп. В то же время ИНС и дискриминантный анализ ведут к достижению этой цели разными путями: дискриминантный анализ строит линейную дискриминантную функцию, тогда как нейронные сети нелинейны по своей природе. Соответственно, они могут «схватывать» связи между переменными, не поддающиеся описанию с помощью линейных функций.
Нейросетевой подход особенно эффективен при решении задач классификации по той причине, что он сочетает в себе способность компьютера к обработке чисел и способность мозга к обобщению и распознаванию. Вычислительные способности искусственных нейро-сетей позволяют обрабатывать огромное количество факторов, а ней-росетевые свойства распознавания — улавливать чрезвычайно сложные связи между ними.
• Кластеризация. Как мы уже знаем, кластеризация представляет собой распределение объектов по группам сходства/различия. Основное отличие этой категории задач от классификации состоит в том, что кластеры не задаются заранее. Может возникнуть закономерный вопрос: но ведь в алгоритме кластеризации методом К-средних мы определяем число кластеров еще до всех вычислений? Действительно, число кластеров задается заранее, но никогда заранее не определяются содержательные их характеристики. В методе К-средних мы даем программе задание разбить политические партии, например, на три группы. Но мы не знаем заранее, какие это будут группы: «левые», «правые», «центр»; или «оппозиция», «лояльные», «нейтральные»; или какие-то еще. Содержательные различия между кластерами выявляются уже после и на основе того, как разбиты объекты, при классификации же мы изначально ставим задачу разбить событийные цепи не на два каких-то класса, а на вполне определенные классы «военных» и «мирных» исходов.
Различия между категориями задач классификации и кластеризации иллюстративны с точки зрения выбора метода обучения сети. Так, если целью исследования является классификация объектов, абсолютно логичным является обучение «с учителем». Чтобы сеть «поняла» правила отнесения объектов к заранее определенным классам, необходимо во всех случаях четко показывать принадлежность объекта из обучающей выборки к определенному классу. Нет иного способа научить сеть различать «мирные» и «военные» исходы последовательностей событий, кроме как на стадии обучения ввести в нее базу событийных последовательностей, однозначно классифицированных как «мирные» либо «военные».
Задача кластеризации, напротив, предполагает обучение «без учителя». Алгоритм ее основан на подобии образов и размещает близкие образы в один кластер. Кластеризация позволяет представить неоднородные данные в более наглядном виде и использовать далее для исследования каждого кластера различные методы. Например, в экономике кластеризация с помощью ИНС используется для выявления фальсифицированных страховых случаев или недобросовестных предприятий.
В политической науке кластеризация с помощью ИНС направлена на решение тех же задач, что и обычный кластер-анализ: это «разведочные» методы, нацеленные на поиск признаков сходства в больших массивах неоднородных данных. Однако возможности ИНС, как правило, превышают возможности обычного кластер-анализа.
• Предсказание конкретных числовых значений. В такого рода задачах требуется предсказать значение переменной, принимающей непрерывные числовые значения: исход выборов для определенной партии, курс акций, значение рейтинга политика и т.д.
Р ешение такой задачи может осуществляться методом экстраполяции. Термин «экстраполяция» отражает перенос в будущее наблюдаемых трендов. В более конкретном математическом смысле экстраполяция предполагает решение задачи нахождения функции, оптимально описывающей набор данных типа ((х1 у1), (х2, у2)— (Хы, Уы)) или (у((1), у((2) ... у((")). Так, на рисунке ниже показана аппроксимация логистической кривой (кстати, именно логистическая кривая хорошо описывает многие социальные и политические процессы).
Исходные данные
к + * * *
Имея рассчитанную нейронной сетью функцию, мы можем предсказывать значения у по новым х или значения у((п+1) в некоторый будущий момент времени
Решение этой задачи напоминает еще об одном уже изучавшемся нами статистическом методе — регрессионном анализе. В регрессионном анализе мы устанавливаем влияние независимых переменных на зависимую переменную на основе построения линии регрессии, отражающей основную тенденцию связи признаков. Вычислив уравнение регрессии, мы можем предсказывать значения зависимой переменной по значениям независимых переменных. При этом регрессионный анализ лучше справляется со связями между признаками, которые описываются прямой линией (мы изучали именно линейный регрессионный анализ). Нелинейные по своей природе нейронные сети гораздо лучше справляются с задачами аппроксимации нелинейных зависимостей, которые в политической реальности встречаются в изобилии.
Все искусственные нейронные сети являются мощным инструментом обнаружения скрытых связей. В таком качестве они могут использоваться не только для построения прогностической функции — поиска конкретной меры влияния независимых переменных на зависимую, — но и для отбора адекватных независимых переменных. Такая задача актуальна для разного рода поисковых исследований, когда имеют довольно смутное представление о тех факторах, которые реально влияют на интересующую нас переменную. Нейронная сеть может работать с большим множеством переменных, она способна выделить из общей массы факторов действительно значимые.
В качестве примера приведем реальный случай нейросетевого моделирования в области политической науки . Была поставлена задача отобрать из большого числа независимых переменных ограниченный набор факторов, оказывающих наибольшее влияние на исход президентских выборов в США. В результате было получено всего пять значимых факторов:
1) уровень конкуренции при выдвижении от правящей партии;
2) наличие существенных социальных волнений во время правле- ния действующего президента;
3) спад или депрессия в год выборов;
4) значительность изменений, совершенных действующим прези- дентом в политике;
5) активность третьей партии в год выборов.
В то же время решение задачи отбора действительно значимых независимых переменных из большого числа потенциально значимых (в какой-то мере она близка задаче редукции данных в факторном анализе) имеет определенные ограничения. Как уже знаем, качество работы сети напрямую зависит от объема обучающей выборки. Объем же обучающей выборки напрямую зависит от числа переменных на «входе» сети. Искушение «запихнуть» в нейронную сеть все мыслимые и немыслимые факторы может быть очень велико, но для получения приемлемого результата понадобятся многие тысячи обучающих примеров.
Объем обучающей выборки зависит не только от числа переменных, но и от уровня их измерения. Как и большинство методов, нейронные сети наиболее успешно работают с интервальными данными. Самый сложный случай — номинальные переменные, которые могут принимать много разных значений. Например, имеется номинальная переменная «электоральные предпочтения россиян на парламентских выборах 2003 г.», приобретающая 24 разных значения в соответствии с количеством строк бюллетеня: «Единая Россия», КПРФ, ЛДПР и т.д. В принципе, мы можем присвоить каждому значению числовой код (например: «Единая Россия» — 1, КПРФ — 2, ЛДПР — 3 и т.д.), однако при работе с нейронной сетью существует риск возникновения ложного упорядочения, т.е. КПРФ окажется где-то между «Единой Россией» и ЛДПР.
Более правильный способ заключается в кодировании 1-из-N, когда одна номинальная переменная представляется несколькими числовыми переменными. Количество числовых переменных для каждой номинальной переменной равно количеству всех значений номинальной переменной (К). При этом в каждом случае только одна из N переменных принимает ненулевое значение. В реальности кодирование переменных для случая с политическими партиями в бюллетене из 24 позиций будет иметь следующий вид:
«Единая Россия» = (1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0) КПРФ = (0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0) ЛДПР = (0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0) И т.д. (всего 24 переменных)
Очевидно, что такой подход приведет к катастрофическому увеличению размерности данных и, значит, — к катастрофическому увеличению объема обучающей выборки. В этой ситуации следует подумать об ином способе представления данных, не предполагающем столь громоздкого кодирования. Например, выделить всего три значения переменной «электоральные предпочтения россиян на парламентских выборах 2003 г.»: «партия власти и лояльные» (1,0,0); «левые»
(0,1,0); «правые» (0,0,1)1.
'См.: Горбань, А. Н. Нейроинформатика и ее приложения//Открытые системы. 1998. №4 .
Разумеется, мы не считаем приведенную трехкатегориальную схему оптимальной — это просто учебный пример.
Контрольные вопросы и задания
1. Опишите математическую модель работы биологического нейрона.
Дайте сравнительную характеристику особенностей функционирования нейронных сетей и машины фон Неймана. Какие задачи наиболее эффективно решает каждая из систем?
Объясните понятие «архитектура сети». Назовите основные типы архитектур и наиболее существенные различия в их функционировании.
Каковы основные алгоритмы обучения искусственной нейронной сети? Каким задачам соответствует тот или иной алгоритм?
5. От каких параметров зависит объем обучающей выборки?
6. Каковы основные задачи, решаемые с помощью нейронных сетей в по литическом прогнозировании и анализе?
Литература
Барский, А. Б. Нейронные сети: распознавание, управление, принятие решений. М., 2004.
Горбань, А. Н. Нейроинформатика и ее приложения // Открытые системы. 1998. № 4.
Дрейфус, У. Чего не могут вычислительные машины: критика искусственного разума. М., 1979.
АпИ, К. Лапспапд, М, МоЫиййт, К. М. Аг(1Г1с1а1 Nеига1 ^(\уогка: А Ти(опа1, Сотри(ег. Уо1. 29. 3 (МагсЬ 1996).
Шагпег, В., Мша, М. Ипдег8(ап(1т§ ^ига1 ^(\уогкз аз 8(а(18(1са1 Тоо1з // ТЬе Атепсап 8(а(18(1с1ап. Уо1. 50. № 4 (Шу. 1996).